Básicamente el `credit scoring` es un método que se

Anuncio
11.- ¿Puede funcionar la calificación estadística en la banca de consumo?
(Alcance del scoring de crédito)
Bajo el esquema de concesión de créditos de la banca tradicional el objetivo es
evitar cualquier pérdida (dado el plazo y el monto del crédito una pérdida involucra
costos significativos para la institución). Sin embargo, la óptica de los préstamos de
consumo es diferente. El punto no es evitar cualquier pérdida, que en términos
marginales son insignificantes, sino buscar maximizar los beneficios, permitiéndose un
pequeño y controlado nivel de cartera mala merced de una expansión de los créditos
otorgados.
Empero, la ampliación de la cartera de clientes requiere de mecanismos que
agiliten el proceso y que logren trabajar con un gran volumen de aplicaciones. Esto
implica, bajo el método tradicional de aprobación de crédito, un vasto y bien entrenado
grupo de analistas que logre oportunamente entrevistar a los solicitantes. Con este
esquema no es dificil concluir que la oferta de crédito termine contrayéndose,
reduciendo las oportunidades de incrementar ganancias, o que se reduzca la calidad del
control y por ende se cometan errores de aprobación que involucran efectos similares
sobre los beneficios.
Por otro lado, existe la posibilidad de desarrollar métodos que reduzcan el
subjetivo criterio humano "gut feel" implícito en la aprobación tradicional de un crédito,
que sean capaces de evaluar un conjunto de características en muy corto tiempo, que
puedan procesar grandes cantidades de solicitudes en el menor tiempo posible y que
emitan una medida de diferenciación entre buenos y malos solicitantes. Esta es
precisamente la idea subyacente en la metodología 'scoring'.
Básicamente el 'credit scoring' es un método que se emplea para identificar
diferentes grupos dentro de una población cuando no se pueden observar las
caracteristicas que los definen sino únicamente las relaciones con estas".
Esto hace que el sistema se base en el desempeño pasado de clientes que tienen
características similares a aquellos a ser evaluados. El 'credit scoring' termina, por
tanto, siendo un predictor del riesgo, cuya fortaleza no radica en la habilidad para
En términos más formales el 'credit scoring' es un método de evaluación del riesgo de crédito que
emplea información histórica y técnicas estadísticas, para tratar de aislar los efectos que tienen las
características de varios aplicantes sobre la delincuencia y el incumplimiento. El método arroja un puntaje
o score que la institución fmanciera puede emplear para ranquear sus aplicaciones de crédito en términos
de riesgo.
4
10
explicar causalidades (por qué algunos clientes incumplen y otros no) sino en la
objetividad de la metodología aplicada.
Con el 'scoring' el prestamista aplica una fórmula para ciertos elementos claves
de la aplicación de crédito. Este procedimiento arroja una cuantificación numéricas del
riesgo y dependiendo de su valor la solicitud es aceptada o rechazada. De esta forma, el
rol subjetivo en la valoración por parte del empleado se reduce a los casos donde sea
genuina la oportunidad de añadir valor al proceso.
Los beneficios no sólo se leen en una reducción de la subjetividad del analista
inmersa en la concesión del crédito, al estar los métodos tradicionales apoyados
fundamentalmente en información cualitativa mantenida en la mente del evaluador, sino
que al basarse en información cuantitativa mantenida en los sistemas de cómputo de la
institución financiera y por ende cuantificables a bajo costo, se pueden lograr
reducciones de costos de morosidad y de evaluaciones de préstamos de tal forma que se
mejore la eficiencia (mejores colocaciones) y por ende la rentabilidad.
En Bolivia y Colombia, en el campo de las microfinanzas, experimentos de este
tipo llevados a cabo por Schreiner", han confirmado las mejoras en la valoración del
riesgo y por ende la disminución de costos. En Colombia se ha estimado un ahorro al
prestamista de alrededor de $75.000 al año.
No obstante, si bien el scoring de crédito, aplicado a créditos de consumo o
micro créditos, parece ser el siguiente salto a la eficiencia' no está exento de debilidades.
A la par coexisten tanto ventajas como desventajas en esta metodología, dejando
siempre al final la opción al prestamista de optar por un sistema de otorgamiento de
créditos subjetivo (scoring implícito) en donde el analista valora el riesgo del prestatario
comparando mentalmente las características de un aplicante con su experiencia
acumulada de otras aplicaciones similares o por un scoring estadístico que haga uso del
conocimiento cuantitativo del desempeño de clientes pasados almacenados en una base
5 Estrictamente no todos los métodos conducen a una 'puntuación' o 'scorecard'. Algunos indican
directamente la posibilidad de que un cliente sea bueno y si la aprobación del crédito vale la pena.
6 Mark Schreiner es Director de Microfmance Risk Managment e investigador del Center for Social
Development de la Universidad de Washington en St.Louis
7 La evolución de este tipo de crédito ha pasado de la no concesión, a la concesión por parte de bancas de
desarrollo, en el caso de microcréditos, a la conformación de grupos solidarios o a evaluaciones
minuciosas de las solicitudes de crédito, para actualmente situarse en modelos estadísticos que pueden ir
desde sencillas herramientas como las funciones discriminantes a sistemas complejos como las redes
neuronales o los algoritmos genéticos.
11
de datos con el fin de pronosticar comportamientos futuros. Esto conduce, en virtud de
la seriedad académica, a exponer los pros y contras de hacer uso de esta técnica.
Desventajas
Ventajas
Requiere la existencia de una sólida y
Cuantifica el riesgo como probabilidad
extensa base de datos
PO]
~~---------~----"-------¡----------:--------=----------
Consistencia
_~
Puede necesitar un consultor externo y
~_"
~ ende generar riesgo operativo
"
Transparencia
Su
funcionamiento
implementación
en
depende
el
~e
la I
sistema
transaccional
•
-~---------"-------------+-----------~------
No trabaja sobre solicitudes rechazadas
Multivariable
(ignora toda la información no existente
en la base de datos de la institución)
f---------~-------------___+---------------------
Puede ser validado
Sólo destaca los casos de alto riesgo
--
-"
Permite evaluar opciones de políticas de
Asume que el futuro será como el pasado
aprobación
f-----------------------+-c--------~-------=__------
I Establece
relaciones
I características
entre
del
nesgo
prestatario,
y Es
un
modelo
no I
I
el detenninístico
I prestamista y el préstamo
Reduce tiempo de cobranza
Permite
estimar
efectos
sobre
J-­
la
Ifrentabilidad
-----------------I
---------~-----~"-"~-
Mayor efectividad que una calificación
I basada en cualquier "sistema expertos".
rOrienta
Il
I
f----------------------­
~
los esfuerzos de venta hacia
1
mercados más rentables
I~ Asigna recursos internos de
1
.11
una manera
I más eficaz
I
~-------------------~------------------
8
Método de asignación de ponderaciones de características basadas en la experiencia y en supuestos.
12
I
~
I
I
La primera ventaja y tal vez la más importante es la cuantificación del riesgo
como una probabilidad,
"mientras el scoring subjetivo expresa que un préstamo tiene un riesgo por
debajo del promedio, un juicio basado mayormente en un sentimiento
cualitativo" (Schreiner, M 2004;9.
La consistencia surge de la homogeneidad en la calificación otorgada a cada
grupo de clientes que comparta las mismas características, todas las solicitudes idénticas
tendrán por tanto el mismo valor de riesgo predicho; el hecho de contar con una fórmula
matemática que arroje un valor
7ti
hace que el proceso de obtención de esta probabilidad
sea explícito y como consecuencia de fácil comunicación tanto a nivel de alta gerencia
como de analistas.
Uno de los nesgos de realizar análisis univariantes es el conocido como
"Paradoja de Simpson'i'" según la cual la asociación entre dos variables (numéricas o
cuantitativas) puede cambiar de sentido cuando se controla el efecto de una tercera
variable, esto fortalece el uso de modelos estadísticos multivariantes, en donde se
enmarca la metodología scoring, pudiendo realizar evaluaciones sobre riesgo de crédito
con base en 30, 50, 100 o más características simultáneamente 11, permitiendo análisis
mucho más precisos.
El contar con modelos estadísticos da la posibilidad de contrastación de los
mismos, validando los modelos sea con información previa al periodo muestral
empleado, permitiendo observar como habría funcionado scoring si hubiera estado
implementado al momento de estos desembolsos o verificando, previo a la fase de
implementación, la consistencia del modelo con los nuevos clientes. Esta fase suele
denominarse backtesting.
La obtención de una calificación y de una distribución de clientes asociada a este
puntaje permite establecer límites de aceptación y determinar el porcentaje de
potenciales clientes que estamos excluyendo (la tasa de aprobación respecto al total de
aplicaciones), por otro lado la opción de emplear información histórica permite calcular
"Benefits and Pitfalls ofStatistical Credit Scoring for Microfmance", Savings and Development, Vol. 28
Nol, pp. 63-68.
10 Ver anexo l "De estadística, paradojas y resoluciones financieras". Comentario realizado a una
resolución emitida por el organismo regulador ecuatoriano respecto al riesgo de emplear análisis
univariantes.
II Claro que siempre debe premiarse el principio de parsimonia.
9
13
el riesgo asumido con los clientes vigentes en la institución y el efecto que podría tener
el modificar la política vigente sobre la relación buenos:malos y por ende sobre la
reducción en el número de créditos desembolsados, estas posibilidades de evaluación
dejan al tomador de decisiones conocer las consecuencias de implementar diferentes
opciones de política.
A diferencia de las valoraciones subjetivas el método scoring deja conocer no
sólo que característica tiene un comportamiento habitual de riesgo, por ejemplo tanto en
créditos de consumo como en microfinanzas se encuentra que el género es una variable
determinante del riesgo, premiando a las mujeres en relación a los hombres como
mejores sujetos de crédito al cumplir estas históricamente mejor con sus obligaciones
financieras, sino que también permite saber en cuánto esta característica es más o
menos riesgosa. De esta forma y dependiendo de la base estadística disponible en la
institución financiera se podrá no sólo confirmar la orientación respecto al riesgo dada a
la variable con base en el juicio subjetivo del analista, sino cuantitativamente ver cuán
fuerte o débil es esta relación.
En mercados competitivos donde los precios de los productos financieros no son
mandatorios en las preferencias de los clientes es importante para el postulante a crédito
el tiempo de aprobación del mismo (se supone que los clientes siempre preferirán la
opción que les reporte el menor costo de oportunidad), por lo tanto el tiempo de
respuesta de una institución financiera ante la demanda de crédito puede resultar un
factor determinante al momento de querer colocar el dinero que intermedia. La solución
no radica en la sola reducción de los días o las horas de aprobación, pues esto puede
degenerar el riesgo como consecuencia de la reducción de controles, sino en la
reducción del plazo de entrega del crédito con un correcto control del riesgo, este
beneficio se incorpora al proceso de crédito con el uso de modelos estadísticos.
De la misma forma el tiempo que puede gastar un analista de crédito en
gestiones de cobranzas se reduce, primero porque el otorgarle un puntaje a cada
cliente reduce el número, monto, y plazo de los créditos entregados a clientes de alto
riesgo, reduciéndose el número de veces que los créditos sufrirán atrasos y
consecuentemente el tiempo en gestiones de cobranza; segundo porque una vez
desembolsado el préstamo, todos los clientes que tienen una calificación que indica
mayor probabilidad de incumplimiento podrían ser sujetos de estrategias preventivas de
14
cobro, como llamadas recordatorias, que permitan reforzar la presencia de la obligación
financiera en la mente del prestatario'f; tercero al dar calificaciones a los clientes se
cuenta con un criterio de ordenación que permite a los analistas priorizar esfuerzos de
cobranza, por ejemplo contactarse con aquellos de mayor riesgo de incumplimiento
durante largo tiempo.
Con el conocimiento adicional por parte de la institución financiera del costo de
un crédito malo y el beneficio de uno bueno se puede determinar el impacto sobre la
utilidad que tiene el fijar un umbral de créditos extremamente malos. El cambio en
la rentabilidad no es más que el resultado de la diferencia entre el número de créditos
malos que se niegan multiplicados por el beneficio de evitar estos préstamos menos el
número de préstamos buenos multiplicados por el costo por préstamo bueno perdido.
Muchas instituciones financieras asignan notas subjetivas a los préstamos en
función de algunas variables, por ejemplo atraso promedio y atraso máximo es una
pareja de variables comúnmente empleada para calificar al cliente como bueno o malo,
el problema con este tipo de calificaciones es que suponen una relación entre los atrasos
pasados y el riesgo futuro, mientras que el modelo scoring deriva la relación
histórica. En el caso de los nuevos solicitantes que no disponen de un historial de pago
las calificaciones basadas en sistemas expertos simplemente no aplican, mientras que
los modelos scoring justamente permiten pronosticar el riesgo para este tipo de
modelos.
Al identificar y segmentar mejor el universo de clientes potenciales permite:
a).- focalizar las estrategias de venta hacia los clientes más rentables, b).- realizar
ofertas diferenciadas con el fin de obtener incrementos en el nivel de respuesta y e).­
desarrollar estrategias para mercados de aparentemente alto riesgo.
La asignación interna de recursos de una manera más eficaz pasa por la
posibilidad de evaluación objetiva y consistente de la relación riesgo beneficio en la
adquisición de nuevos clientes. El empleo del scoring permite optar entre dos
decisiones: 1).- reducir el riesgo manteniendo un volumen fijo de aprobaciones, 2).­
aumentar el número de clientes aprobados pero manteniendo el mismo nivel de riesgo.
12 Esta gestión preventiva de cobranza debe reducir las caídas de clientes a etapas de cobranza posteriores
que involucren mayores costos para la institución. En términos de análisis costo-beneficio debe esperarse
que esta opción permita reducir costos de cobranza, de lo contrario optar por una estrategia de este estilo
podría generar resultados no esperados.
15
Del otro lado, se tiene un conjunto de desventajas que se deben considerar antes
de incurrir en un proceso de obtención e implementación de un modelo scoring para el
otorgamiento de créditos. La disponibilidad de una sólida y extensa información es
uno de los principales obstáculos al momento de desarrollar un modelo estadístico.
Lewis (1992) sugiere que una base que cuente con 1500 buenos y 1500 malos puede
considerarse suficiente para modelar el comportamiento de pago. No obstante, mientras
mayor sea el número de clientes mejor pueden hablar los datos. Makuch (1999) en
cambio, sugiere que 100 mil clientes buenos se pueden considerar información
suficiente sobre estos, en este caso se podría formar una base de análisis con todos los
clientes malos existentes y tomar 100 mil buenos. Además, la cantidad de información
registrada no debe sólo ser buena sino vasta'" para que los modelos desarrollados
puedan compensar la ausencia de información financiera con mucha capacidad de
pronóstico empleando un gran número de características menos significativas. La
calidad de las bases de datos es fundamental, no sólo en cantidad de registros
almacenados en cada variable (porcentaje bajo de clientes en blanco'") sino en la
confiabilidad de la información archivada. Por ejemplo, puede ser que la variable sueldo
no sea un buen predictor dentro de los modelos tal vez porque los clientes tienden a
mentir sobre su salario, por lo que la correlación entre sueldo y riesgo es espúrea, o por
que los vendedores de crédito adulteran la cifra ante la posibilidad de obtener una
aprobación segura del crédito vendido por parte del analista'".
Si bien el desarrollo de este tipo de modelos no es complejo, su elaboración,
monitoreo y administración puede necesitar alguien con experiencia (consultor
externo), al menos hasta el desarrollo de una cultura organizacional basada en una
administración conciente del riesgo y de los beneficios de su medición, monitoreo y
control; sin embargo, el uso de un consultor reduce la flexibilidad del sistema y aumenta
la dependencia de la institución financiera al mismo, en caso de disolver el convenio y
13 En especial para instituciones de microfmanzas en las que los prestatarios suelen no poseer historial de
crédito en central de riesgos o son trabajadores cuenta propistas sin registro o con registros poco fiables
de ingresos laborales. En el caso ecuatoriano esta situación se extiende al crédito de consumo.
14 Se suele considerar que una variable es buena si tiene menos del 5% de los registros como blanco. Note
que blanco no significa cero. Cero debe ser siempre en la base el registro del valor "O" mientras que
blanco significa ausencia de información respecto a esa variable. Por ejemplo, un cliente casado puede
tener cero cargas familiares, mientras que un casado que tenga esta variable en blanco no implica que
también tiene cero cargas familiares, sino que no se ha almacenado esta información.
15 Siempre que no exista la posibilidad de verificar el sueldo del cliente, como es el caso usual de los
trabajadores por cuenta propia que no facturan (sector informal).
16
de no poseer la capacidad de autogestión en este tema se puede incurrir en riesgo
operativo, sin mencionar la dificultad de adaptación al método por parte de la gente
dentro de la organización que puede devenir del rechazo al cambio o de la puesta en
duda del aporte de un consultor que desconoce los clientes de la institución y que
mediante una fórmula "dice" ser capaz de indicar el riesgo alto o bajo de un cliente,
juicio que era propiedad del analista de crédito. Para vencer este obstáculo es
fundamental la capacitación continua no sólo de la alta gerencia sino de los analistas de
crédito, educación que implica un conocimiento del modelo, que genere confianza en el
método y no una caja negra que arroja resultados'".
Para que el scoring tenga éxito en la práctica, además de su correcto modelado,
es necesaria su implementación dentro del sistema transaccional, si no existe
personal asignado a este trabajo o se cometen errores en el proceso, el proyecto scoring
puede fracasar en esta etapa.
El modelo compara las solicitudes actuales con aquellas almacenadas
históricamente en la base de datos, estas solicitudes fueron aprobadas pasando por los
filtros subjetivos de los analistas y las medidas de política adoptadas hasta la fecha por
la institución, por ende los únicos préstamos existentes en las bases son aquellos que
han sido analizados previamente, por ejemplo si una medida de política es no prestar a
los trabajadores informales y por ende no existe información respecto a ellos en las
bases de datos, el scoring no solucionará este problema, en otras palabras el modelo
ignora todos los factores de riesgo que no están cuantificados ni registrados en la base
de datos.
Los modelos no pueden pronosticar algo que no haya sucedido con suficiente
frecuencia en periodos anteriores y que no esté almacenado en la base de datos,
pese a esta deficiencia el modelo no pierde capacidad de pronosticar el riesgo relativo,
es decir el cliente con mayor probabilidad de incumplimiento lo seguirá siendo ante
cambios en el contexto socio-económico, sin embargo, sí se pierde poder de pronóstico
del valor de riesgo absoluto.
J6 Posiblemente la sencillez en la comprensión del funcionamiento de modelos como análisis
discriminantes, árboles de decisión o regresiones ha favorecido su difusión por encima de métodos como
las redes neuronales o los algoritmos genéticos.
17
Por último, es relevante recordar que el modelo pronostica probabilidades de
éxito (buen cliente) o fracaso (mal cliente)!", pero en la realidad el riesgo observado es
siempre cero (malo) o uno (bueno), por esto el scoring no logra nunca dar en el
blanco para un préstamo dado, la función del modelo es lograr en promedio
determinar el riesgo asumido por el prestamista. Siguiendo el ejemplo de Schreiner, el
scoring funciona si entre 1000 préstamos cada uno con un riesgo pronosticado de 10 por
ciento, el riesgo promedio observado es de más o menos 10 por ciento. No se puede
juzgar el scoring por su desempeño en casos particulares, pues éste siempre fallará en
algunos casos. Los escépticos en el uso de estas técnicas pueden objetar que con un
umbral de malos del 50% se están rechazando solicitudes que tienen alrededor del 50%
de probabilidades de ser buenos clientes, pero este problema no es salvado tampoco por
el scoring subjetivo, sino que el scoring estadístico lo hace explícito, mientras que el
subjetivo no permite medir la magnitud de la pérdida.
En conclusión y salvando las limitaciones que pueden presentar los modelos
estadísticos empleados para la valoración del riesgo de crédito en banca de consumo, es
inevitable admitir que la esencia de las finanzas es la predicción del riesgo de
incumplimiento de la promesa de pago de un prestatario. Estas estimaciones de riesgo
sean subjetivas u objetivas siempre se basan en información acumulada sea en la mente
de los analistas o en los sistemas de información de las instituciones crediticias. La
calificación estadística apuesta por la segunda, datos de carácter cuantitativo que
permitan no sólo asignar un valor de mejor o peor cumplimiento sino revelar también
cómo estos datos (características del crédito, acreditado y acreditador) afectan al riesgo,
por ende siempre tendrá algún poder predictivo, que en fin último sino logra suplir en su
totalidad la valoración del analista, será un complemento valioso en la predicción del
riesgo y en la reducción de costos.
17 En términos estadfsticos se considera éxito a la ocurrencia del evento que queremos pronosticar, en este
caso la probabilidad de que el cliente sea bueno.
18
Descargar